上周，吴恩达教授在美国红杉 AI 活动上关于 Agent 的最新趋势与洞察，提出了目前有 4 种主要的 Agent 设计模式，分别是：
Reflection：让 Agent 审视和修正自己生成的输出；
Tool Use：LLM 生成代码、调用 API 等进行实际操作；
Planning：让 Agent 分解复杂任务并按计划执行；
Multiagent Collaboration：多个 Agent 扮演不同角色合作完成任务；
延伸阅读：
吴恩达站台畅聊Agent Workflow 以及 4 种主流设计模式，LLM应用开发的新热点
🤩 在 扣子（coze.cn）/Coze （coze.com）上，可以将上述四种模式快捷落地，本文将以汽车行业调研助手、高质量旅行规划助手等实际案例来为大家分享落地思路。
1 Reflection模式
含义：让 Agent 审视和修正自己生成的输出。
背景：大模型的生成有时候会犯懒，可能只会部分执行Prompt导致效果有限。Reflection模式适用于让LLM自行审视和修正自己生成的输出，对生成内容进行多次自我调优，进而生成更加优质的内容。
场景：让 AI 或 LLM 说，写一个行业短评。开始写第一稿，自己阅读生成第一稿，思考哪些部分需要修改，然后，LLM进一步优化生成，可以一遍又一遍地进行。因此，这个工作流程是可迭代的，你可能让模型进行一些思考，然后修改文章，再思考，并通过多次迭代来完成这个过程。
流程图：
🔥 Workflow实现简单“行业短评”效果
👉 工作流拆解：
第一步：Start节点，用于接收用户的输入。
第二步： 大模型节点，行业短评Prompt：使用真实数据、案例、SWOT模型，并言简意赅表达。
第三步：基于其生成结果第二步中的大模型的生成结果，复制其Prompt，并进一步提示生成短评，达到审视和修正自己生成输出的效果，提高短评生成质量。
第四步： 输出结果。
👉 示意图参考：
👀 效果：汽车行业调研短评
第一次：大模型对于提示，仅生成比较概括性的短评，使用了真实数据。
第二次：大模型对生成结果进行迭代，生成了详细短评，不仅优化了表达内容，还增加了SWOT分析和案例分析。
2 Tool Use 模式
扣子/ Coze 本身就支持非常丰富的工具调用，欢迎使用！
3 Planning 模式
含义：Planning：让 Agent 分解复杂任务并按计划执行；
背景：大模型的生成依赖于训练数据的实效性，并且有时候会产生幻觉，导致生成的内容效果质量有限。Planning模式适用于让LLM基于计划好的任务步骤，对生成内容进行多次自我调优和加工处理，进而生成更加优质的内容。
场景：我们期望Agent具备类似人的行为的智能体，比如在调研报告场景，他会先使用搜索工具进行检索，筛选质量较高的内容，再进行一些思考，再进行重要信息的总结和整理，最后输出一个质量比较高的报告。
流程图：
🔥 Workflow实现Plannning模式的“行业短评”效果
👉 工作流拆解：
第一步：Start节点，用于接收用户的输入。
第二步： 通过“浏览器插件”，把用户的输入作为关键字进行搜索，返回相关的10个网站链接。
第三步： 通过“头条搜索”访问这10个网站的详情内容，并返回。
第四步： 使用大模型对这10个网站的内容进行打分，3分以上推荐引用。
第五步： 通知用户：目前Agent已经完成阅读，正在整理并总结报告。
第六步： 大模型对高分内容进行理解，使用真实数据、案例、SWOT模型等，并言简意赅表达。
第七步： 输出报告。
👉 示意图参考：
👀 效果：奶茶行业调研短评
第一步： Agent完成网站访问和内容抽取后，告知了完成阅读。
第二步： 参考了他访问的一些网站内容，整理并总结了报告，最后打印报告输出。
4 Multiagent Collaboration 模式
🔥 使用coze的Multi-agent功能实现高质量旅行规划
第一步：定义3个用于旅行规划场景的专家Agents
目的地推荐专家： 调用搜索等能力，基于用户的需求推荐目的地。
机票酒店专家： 调用机票、酒店的查询工具，根据用户的背景信息和诉求，推荐合适的机票酒店。
行程规划专家： 根据用户的信息和其他专家产出的结果，帮助用户制定完整的行程规划，并将内容输出到PDF中。
第二步：将3个专家Agents排列到画布中，并为他们设置任务交接的条件。
第三步：开始对话
🤖️ 三种模式的对比：
—END—
原文来自coze。
后台回复“进群”入群讨论。
相关文章
